可在ScienceDirect上获得目录列表计算设计与工程杂志首页：www.elsevier.com/locate/jcde计算设计与工程学报5（2018）435基于KANSEI三坂麻衣a，青山秀树ba日本横滨庆应义塾大学综合设计工程系b日本横滨庆应义塾大学系统设计工程系阿提奇莱因福奥文章历史记录：2017年9月29日收到2017年12月29日接受在线提供2018年关键词：数字化设计KANSEI工程神经网络A B S T R A C T随着近年来制造技术的发展，以及工业产品的此外，随着消费者寻求符合自己感受的产品（感性），设计师需要提出高度符合客户提出的概念的设计，同时了解多样化消费者的感性;因此，他们的负担越来越重。为了解决这些问题，支持计算机辅助设计的发展已经取得了进展，但是，很难反映人类的感性或通过计算机生成引起自然印象的设计。本研究的目的是开发一个系统，结合感性的用户，并发出一个模式设计，诱导使用计算机的自然印象这项工作的重点是裂纹图案，可以观察到的陶器表面，并提出了一种方法来产生裂纹图案的杯子表面。在这项研究中，一个贝塞尔曲面和波动，以诱导自然的印象。此外，通过使用神经网络，裂纹模式与用户KANSEI相关联。神经网络由输入层、隐层和输出层三层组成，采用S型函数作为过渡函数，采用反向传播作为学习方法。结果，构建了一个系统，其中满足输入的裂纹图案根据用户的期望印象产生输出最后，分发了一份评价问卷，确认了该系统的实用性。©2018计算设计与工程学会Elsevier的出版服务这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在近年来的工业产品开发中，由于制造技术的进步，通过性能或质量进行区分变得困难，而设计方面的区分被认为是有效的。此外，消费者对产品的价值观也发生了变化;消费者不仅仅满足于通常期望产品具有的功能，他们目前的需求涉及舒适且适合他们自己生活方式的物品。换句话说，可以说产品与消费者感性的符合程度已经成为产品价值的决定性因素因此，被认为对消费者敏感度有很大影响的产品设计被认为比以往任何时候都更重要。然而，由于各种因素的复杂交织和消费者偏好的多样化，设计师面临着巨大的挑战。设计师是由计算设计与工程学会负责进行同行评审。*通讯作者。电子邮件地址：misaka@ddm.sd.keio.ac.jp（M. Misaka）。要求提出一种设计，该设计呈现出与所要求的概念的高度一致性，同时理解消费者的敏感性并考虑各种条件。为了解决这样的问题，已经提出了与计算机辅助设计的开发有关的支持系统然而，很难在计算机中反映人的形象和感性，因此产生了消费者、设计师和工程师之间的形象和感性的交换可能不成功的问题;因此，很难产生与他们的感性相匹配的设计此外，计算机生成的设计是规则的形状和图案，并且很难创建给人以自然印象的设计。鉴于上述情况，需要建立一种用于准确地反映用户感性并且容易地开发设计方 案 的 方 法 ， 通 过 该 设 计 方 案 ， 计 算 机 将 产 生 自 然 的 印 象 。Kamahara，Aoyama，and Oya（2013）使用圆点作为设计目标，并使用神经网络将图案和图案的印象然后，当与圆点图案相关的KANSEI语言的权重作为输入时，构造了生成满足输入的图案的系统Akiyama，Aoyama和Oya（2014）专注于木纹图案，在一个https://doi.org/10.1016/j.jcde.2017.12.0082288-4300/©2018计算设计与工程学会Elsevier的出版服务这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。436M. Misaka，H.Aoyama/ Journal of Computational Design and Engineering 5（2018）435Fig. 1. 陶器上的裂纹图案示例（Kamano，2016）。类似于Kamahara等人的方式，使用神经网络;他们对木纹图案上的压痕与其特征参数之间的关系进行了建模，并提出了一种从所需压痕自动生成图案的方法。如前所述，目前正在研究如何根据感性思维创造模式，但数量仍然有限。此外，由于这些仅限于二维设计，在将设计应用于产品的过程中会出现各种问题，本研究以图1（Kamano，2016）所示的陶器制品中的裂纹图案为研究对象。陶瓷制品作为日常用品和艺术品长期以来一直很受欢迎，表面上看到的裂纹图案是装饰性的。由于裂纹图案一旦进入就不可能修改，因此需要专业技能和知识来应用预期图案。因此，在这项研究中，我们提出了一种方法来模拟裂纹图案的生成过程，并使用计算机来创建一个图案，给人一个自然的印象，一个三维杯形表面。此外，我们的目标是建立一种系统，该系统将通过经由神经网络将用户的KANSEI与图案参数相2. 裂纹图案生成方法2.1. 裂纹产生在本研究中，模拟实际裂纹图案的产生过程，并由计算机产生图案。从而解释了实际陶瓷制品裂纹产生的机理.该概念的示意图如图2所示。一般来说，陶器产品由两层组成，即由粘土制成的基底和施加在基底上的玻璃釉。我们假设在室温下，之间的基地和的釉，作为描绘图 2（a）. 在陶器生产的烧制过程釉在高温下熔化并在基底上铺展（图2（b））。在冷却至室温的过程中，基底和釉料都收缩;然而，釉料往往比基底收缩得更多，因为釉料的热膨胀系数通常高于基底的热膨胀系数（图2（c））。作为结果，釉料受到来自基底的拉应力，并且在超过屈服应力的部分出现裂纹（图11）。 2（d））。将上述拉伸应力称为釉应力。当釉已被薄薄地施加在无限平的基底上，并且它们各自的杨氏模量相同时，釉应力由等式（1）（一）.rgl¼ET0-T0agi-ab1-j1-3j6j1这里，E是杨氏基地。该式是在热应力的式上乘以根据测定值计算出的厚度修正项而得到的（日本陶瓷学会，2002）。2.2. 裂缝机理为了计算釉应力从方程。（1）、釉层厚度的值是有要求的。通常，釉层厚度是不均匀的;在这项研究中，为了模拟其不均匀性，使用三次贝塞尔曲面对基底和釉层表面的形状进行建模首先，使用离散点群设计三维杯形状。通过对点群的最小二乘法，得到了三次Bézier曲面的控制点，构造了杯形模型，并定义了基形。通过对基础形状的控制点进行控制，利用三次Bézier曲面定义釉面的形状。在釉底和釉面上形成点阵点。对于基底和釉料，将它们各自的杨氏在每个晶格点处将杨氏对于所有晶格点，基底和釉料的热膨胀系数相同基底的厚度固定在3mm。釉的厚度被认为是从基底的Bézier曲面到每个网格点的距离根据这些参数，在每个晶格点处的釉应力由等式（1）计算。（1），超过釉的屈服点的晶格点被认为是开裂点。然后，(a) 尺寸差（d）裂纹的产生(b) 熔釉(c) 底釉收缩率图二.裂纹产生的过程。M. Misaka，H.Aoyama/ Journal of Computational Design and Engineering 5（2018）435437-------搜索与任意开裂点距离最近的开裂点，并通过连接上述开裂点绘制开裂线（Shimizu Aoyama，2015）。接下来，为了赋予裂纹图案自然的印象，应用了波动的概念波动是自然和生物现象中经常存在的一种现象，据说波动与人类感受到的舒适感有着深刻的关系在本研究中，基于过去的研究（Shimizu Aoyama，2015），波动归因于裂纹线的形状、裂纹线的宽度和格点。关于裂纹线的形状，波动归因于通过中点位移法的概念将随机数分配给直线，4.54.03.53.02.52.01.51.00 0.5 1 1.5 2logd连接裂纹线（Sakai，2008）。对于裂纹线的宽度和点阵点的位置，采用了涨落函数。3. 基于KANSEI3.1. 系统概要在本工作中构建的系统的概要如图3所示。裂纹图案的印象用加权语言（以下简称“KAN-SEI词”）表示.当用户将权重系数分配给每个KANSEI词时，系统将使用神经网络导出最佳模式参数，并将生成满足用户要求的裂缝模式。3.2. 裂纹形态参数3.2.1. 裂缝宽度如前所述，波动归因于裂纹的宽度，其通过以下等式表示。ww pDw 2这里，wp是改变宽度的参数。对于裂纹宽度，考虑了三个wp水平（1.0，2.0和3.0）3.2.2. 裂纹细度裂纹的精细度是由线性关系的斜率控制的，通过分形分析的概念来确定通过分形分析获得的分形维数表明了地层和形状的复杂性（Takayasu，2010）。这意味着较高的分形维数表示较细的裂纹（复杂），较低的分形维数表示较粗的裂纹。 图图4示出了裂纹的分形维数与精细度之间的关系。本研究中使用的三个水平分别为D =1.25、1.45和1.65，这是图1中每条线的斜率。 4;蓝线对应于见图4。 分形维数与裂纹细度的关系。D= 1.25，红线对应D= 1.45，绿线对应D= 1.65。在图4中，d和N（d）分别表示当通过盒计数方法执行分形分析时的盒大小和盒的数量。3.2.3. 裂纹波动通过频率和功率谱表征的线性关系斜率来确定裂纹的波动程度。波动的程度随着斜率的变化而变化;因此，生成的设计会产生不同的印 象 （ Hoshiba ， Inagaki ， Kimura ， Abe ， Miyauchi ， 2006;Musya，1987）。图5示出了用于确定波动程度的函数。水平轴表示根据中点位移方法的分割数，垂直轴表示生成中点位移方法的随机点的值的范围本研究中使用的三个水平分别为F= 0.3、0和0.3，这是图5中三条线的斜率;蓝线对应于F= 0.3，红线对应于F= 0，绿线对应于F= 0.3。3.3. KANSEI词汇为了选择一个形容词来表示裂纹图案所引起的印象，我们从各种资料中提取了50个形容词，如关于图案的文章、关于陶器的书籍和一般的字典。在此基础上，从以下三个方面进行了思考。首先，形容词要能很好地表达裂纹或裂纹的形象所给人的印象。第二，一个形容词的意义不应在其余形容词之间重复，只要可能。最后，为便于用户操作，形容词的数量要适当。0.400.300.200.100.000 1 2 3 4 5 6分割数图三. 系统概要图五. 波动度的函数。输入每个感性词神经网络最佳图案参数输出满足要求logN（d）生成随机点的438M. Misaka，H.Aoyama/ Journal of Computational Design and Engineering 5（2018）435-×（a）样品1（b）样品2（c）样品3（d）样品4（e）样品5（f）样品6（g）样品7（h）样品8初步问卷分发给22名受试者;他们被要求评估的形容词已提取的描述的印象，诱导从四个样本模式，奖励从1到5点，每个形容词。在这里，一分是指形容词完全不恰当，五分是指形容词在描述诱导印象时完全恰当。研究对象为22名学生。每个样本图案都是使用先前描述的方法创建的图案。对问卷调查结果的平均值和标准差进行聚类分析，并将其分为六类。然后，从每个聚类中逐一提取代表性的KANSEI词，并确定代表裂纹图案引起的印象的KANSEI词。最后选出的六个感性词简单，温暖，华丽，独特，均匀，3.4. KANSEI数据的收集和分析3.4.1. 通过问卷调查收集KANSEI数据为了构建感性模型的模式参数模型，对受试者分发了关于髋臼杯表面裂纹模式引起的印象的问卷。问卷调查的结果被用作神经网络的教师数据。程序如下。首先，通过改变裂纹宽度、裂纹细度和裂纹波动三种类型的图案参数，创建了12个样品图案。图6显示了问卷中使用的样本模式，并向受试者呈现。然后，要求受试者对每个样本的印象进行评估，对六个感性词中的每一个给予一到五分，如图7所示。研究对象为46名学生。根据问卷的结果，计算出每个感性词的评价平均值，并列于表1中。表2中列出了从每个感性词和模式参数之间的评估的平均值计算的相关系数。在表2中，在5%显著性水平下具有正相关性的辅助参数对以斜体表示，具有负相关性的辅助参数对以粗体表示。从表2中可以看出，当“闪光”或“独特”系数增加时，裂纹的宽度变得更厚，并且当“均匀”或“均匀”系数增加时，裂纹的宽度(i)样品9（j）样品10（k）样品11（l）样品12见图6。调查表的抽样模式12345简单温暖华而不实独特甚至优雅见图7。调查问卷答案栏。“优雅”的程度提高了。随着“闪光”系数的增大，裂纹的细小程度逐渐变细，随着“简单”系数的增大，裂纹的细小程度逐渐变粗。裂纹波动随“温”的增大而增大3.4.2. 裂纹图案印痕中独立因子的提取假设感性词的权重直接用于输入层，则六个感性词彼此不相关。然而，在现实中，每一个感性词之间都有潜在的相关性。因此，在本研究中，对表1中列出的问卷调查结果进行了因子分析;接下来，我们提取了六个表达每种裂纹模式引起的印象的感性词的独立因子然后，通过使用它们作为神经网络的输入层，考虑每个感性词之间的相关性。通过因子分析获得的因子载荷列于表3。在表3中，我们关注的是那些具有绝对值因子载荷超过0.7;因子载荷的结果0.7或以上的结果以斜体显示，0.7或更少以粗体显示。此外，由于直到因子3的累积贡献率为90.7%，因此可以说，每个裂纹图案的感性词可以解释到因子3。然后，考虑每个因素的意义由于因素1是与“简单”和“浮华”有关的因素此外，可以观察到，这两者之间存在对比。因子2是与“温暖”、“独特”和“均匀”相关的因子。由于“独特”、“温暖”和“均匀”一词的含义因素3是与“优雅”有很大关系的因素3.5. KANSEI模式参数模型的构建通过问卷调查获得的KANSEI数据被用作神经网络的教师数据，并构建了KANSEI该系统中使用的神经网络的结构如图8所示。输入层对应于“每个KANSEI词的每个KANSEI词因子加载的评估平均值”的六个总和。由于获得了三个因子，如前一节所述，因此输入层的节点数设置为三个。为了保证教师数据和输出数据之间的误差较小，经过反复试验，隐层被确定为一层10个节点。然后，输出层有三个节点，每个节点分别对应于裂纹宽度、裂纹细度和裂纹波动，它们是模式参数。在模型构建中使用反向传播作为学习方法，并将学习次数设置为100，000次。隐层和输出层采用S形函数作为过渡函数。M. Misaka，H.Aoyama/ Journal of Computational Design and Engineering 5（2018）435439表1平均值来自评价问卷。关西话号样品123456789101112简单3.9132.9133.0222.5004.2172.7392.6302.0433.7393.0871.8041.478温暖2.7172.3042.8912.5222.8482.3262.4352.7172.8913.1742.6302.435华而不实1.8482.7832.8703.3702.2173.3263.2393.4783.0223.1964.2834.457独特2.8042.7612.9353.1093.1962.8262.6302.9353.7613.6523.6523.391甚至3.1093.8703.3042.9782.7613.7173.3703.1302.8912.4782.3042.957优雅3.6303.3703.7613.2613.3483.0003.0433.1302.4132.6962.4782.348表2感性词与模式参数的相关系数。参数感性词简单温暖浮华独特均匀优雅宽度-0. 286 0.2800. 591 0. 777- 0. 614- 0. 926细度-0.836-0.5620.653-0.247 0.226-0.075波动-0.0860.5850.087 0.368-0.749 0.010表3因子加载。唯一-0.0850.704-0.680 0.965平均0.129-0.826 0.314 0.797优雅0.390-0.1940.8410.897分发了一份关于髋臼杯表面裂纹图案及其印模的调查表。问卷调查程序如下。首先，使用本系统通过组合各种权重的感性词来准备12个样本模式。表4列出了用作输入的KANSEI单词的权重，图9显示了生成的样本模式作为输出。样本模式被呈现给受试者，受试者被要求通过给六个样本获取教师数据。该子-率结果，构建了一个系统，该系统采用KANSEI词的权重作为输入，并根据输出模式参数创建裂缝模式4. 系统评价4.1. 评价实验程序为了验证本系统是否能够生成将满足用户期望的印象的裂纹图案，4.2. 结果根据问卷调查的结果，表5列出了每个感性词的评价根据这些数据，证实了该系统的实用性。然而，将表4与表5进行比较，难以统计地验证输入印象与来自受试者的评价的数值之间不存在误差。因此，在本研究中，作为输入的感性词的权重和来自问卷的评价的平均值按升序排列，从第1位到第6位。 然后，使用Spearman等级相关系数（Siegel，1983）评价它们的相关性换句话说，它们倾向于排名越接近，产生裂缝图案的可能性就越高，因子加载总和1因子加载总和2因子加载总和3裂缝宽度裂缝细度裂缝波动输入层隐藏层输出层见图8。神经网络的结构。因子1因子2因子3共性简单0.9820.1350.1100.995温暖0.3400.8300.0080.804华而不实-0.8820.021-0.4530.984. . .载荷平方和2.0341.9231.486KANSEI的话，如在贡献率0.3390.3200.248共有24名学生。累计贡献0.3390.6590.907440M. Misaka，H.Aoyama/ Journal of Computational Design and Engineering 5（2018）435PD1-2个rg表4每个裂纹模式的KANSEI字的权重。关西话号样品123456789101112简单524153141413温暖522223412234华而不实342512525145独特434445534225甚至153134353452优雅225154553552斯皮尔曼等级相关系数rs在等式中给出。其中di是两个秩之间的差，N是数据对的数量。rs¼1 -6N23i¼1ið3ÞN-N通过Eq.（3）通过统计t，表示为Eq. （四）、t<$rssN-2ð4ÞS(i)样品9（j）样品10（k）样品11（l）样品12见图9。本系统创建的样本模式。满足用户印象。然后，当发生相同的排名时，使用中级。例如，如果第一位和第二位拥有相同的值，则两者都被分配了值1.5。表6列出了每个样品的Spearman秩相关系数和统计量。此外，从表6中，我们可以观察到1012个样本中，证实了该系统的有效性。我们计划在未来提高神经网络的准确性。此外，由于这一系统是根据调查表的平均评价值建立的，因此并非总是能够满足所有用户的要求。因此，为了满足个人用户，似乎有必要构建一个具有学习功能的系统。用该系统在金属表面加工出裂纹图案进行了实验。结果如图10所示。从该结果可以确认，裂纹图案可以通过机械加工形成在实际物体上表5平均值来自评价问卷。关西话号样品123456789101112简单3.6672.0833.6251.9584.3753.0832.0423.2501.6252.5832.1252.667温暖3.3332.2082.3332.7922.8752.8332.8332.2922.5002.4172.6252.833华而不实2.7084.1251.7503.6671.9172.7923.2922.8754.6252.9583.0833.625独特3.3753.0423.0423.5833.0423.1672.9583.0833.1672.6252.5833.875甚至2.2923.2502.9581.7922.8752.5832.7924.0832.5002.9583.2502.500优雅2.7082.7083.7921.8753.4583.4583.0423.8332.4583.8753.0421.917表6Spearman号样品123456789101112俄.西0.8860.8860.9710.9430.9710.4570.9430.9860.8710.4000.9000.971统计3.8163.8168.1865.6598.1861.0285.65911.7053.5530.8734.1298.1865.0%*SSSSS–SSS–SS2.0%*SSSSS–SS––SS1.0%*––SSS–SS–––S0.1%*–––––––S––––*显著性水平。（a）样品1（b）样品2（c）样品3（d）样品4（e）样品5（f）样品6（g）样品7（h）样品8M. Misaka，H.Aoyama/ Journal of Computational Design and Engineering 5（2018）435441见图10。在物体上形成裂纹图案的结果（技术合作：东芝机械株式会社，LTD.）。5. 结论本文以陶瓷制品中常见的裂纹图案为研究对象。我们提出了一种方法来创建一个patterned设计，诱导一个自然的印象，杯形表面使用计算机模拟实际的裂纹产生机制。Bézier曲面和起伏的使用使得能够生成引起自然印象的图案设计。此外，通过问卷调查收集了关于裂纹图案引起的印象的KANSEI数据，并对结果进行了因子分析然后使用神经网络构建了用于生成满足用户所要求的印象的裂纹图案的系统，该神经网络采用六个KANSEI词的权重作为输入，并考虑图案参数（ 裂 纹 宽 度 、 裂 纹 精 细 度 和 裂 纹 波 动 ） 作 为 输 出 。 最 后 ， 通 过Spearman等级相关系数和实际加工实验验证了该系统的有效性引用秋山河，Aoyama，H.，奥亚，T.（2014年）。数字化风格设计之研究-以木纹图案表现 所 需 印 象 之 方 法 。 Journal of theJapan Society for Precision Engineering ， 80（5），484-490.Hoshiba，E.，Inagaki，T.，Kimura，N.，纽约，Abe，N.，&Miyauchi，K.（2006年）。萤火虫发光图案中的1/fn涨落现象及其治疗作用。Journal of theJapan Society ofMechanical Engineers C，72（714），409-417.日本陶瓷学会（2002年）。陶瓷手册（第646Gihodo Publishing.Kamahara，Y.，Aoyama，H.，奥亚，T.（2013年）。基于感性文字的圆点图案数字化风格设计浮现系统研究。Journal of the Japan Societyfor Precision Engineering，76（9），853-859.Kamano，A.（2016年）。Utsuwamoto网上商店。。美浓谷角（1988年）。估计和验证的故事（pp。40-59）。东京书店Musya，T.（1987年）。自然界中1/f波动的波动奇迹世界（第100页）106-161）。 KodanPublishing.酒井K.（2008年）。用openGL制作的三维CG动画（pp. 114-124）。森北出版社。清水，K.，&Aoyama，H.（2015年）。陶瓷自然印象裂纹图案的数字化设计。美国机械工程师学会杂志，1B。 V01BT02A00。Siegel，S.（1983年）。非参数统计（英语：Nonparametric statistics）202-220）。麦格劳-希尔出版社Takayasu，H.（2010年）。Fractal（pp. 15-17，32-55）。朝仓出版社。
